YOLOv11v10v8使用教程：??YOLOv11入門到入土使用教程
YOLOv11改進匯總貼：YOLOv11及自研模型更新匯總?
《Efficient Frequency Domain-based Transformers for High-Quality Image Deblurring》
一、 模塊介紹
? ? ? ? 論文鏈接：https://arxiv.org/abs/2211.12250
? ? ? ? 代碼鏈接：https://github.com/kkkls/FFTformer
論文速覽：
????????本文提出了一種有效的方法，利用變壓器的頻域特性實現高質量的圖像去模糊。我們的方法是由卷積定理驅動的，即兩個信號在空間域中的相關或卷積相當于它們在頻域中的元素積。這啟發我們開發一種有效的基于頻域的自注意力求解器（FSAS），通過元素積運算來估計縮放后的點積注意力，而不是在空間域中的矩陣乘法。此外，我們注意到，在變形金剛中簡單地使用樸素前饋網絡（FFN）并不能產生良好的去模糊結果。為了克服這個問題，我們提出了一種簡單而有效的基于鑒別頻域的FFN (DFFN)，其中我們在FFN中引入了一種基于聯合攝影專家組（JPEG）壓縮算法的門控機制，以判別應該保留哪些低頻和高頻特征信息以進行潛在的清晰圖像恢復。我們將提出的FSAS和DFFN形成一個基于編碼器和解碼器架構的不對稱網絡，其中FSAS僅用于解碼器模塊以更好地去除圖像模糊。
總結：文章提出一種用于圖像恢復的模型，其中自注意力求解器FSAS可用于CV任務。?
??本文二創模塊僅更新于付費群中，往期免費教程可看下方鏈接??
YOLOv11及自研模型更新匯總（含免費教程）文章瀏覽閱讀366次，點贊3次，收藏4次。群文件2024/11/08日更新。,群文件2024/11/08日更新。_yolo11部署自己的數據集https://xy2668825911.blog.csdn.net/article/details/143633356
??付費項目簡介：融合上百種頂刊頂會模塊的YOLO項目僅119（贈百種改進的v9），此外含自研模型與本文模塊融合進行二創三創，最快1-2周完成小論文改進實驗，代碼每周更新（上周更新超20+二創模塊），歡迎QQ：2668825911(或點擊下方小卡片掃二維碼)加我了解。??
??本項目并非簡單的模塊插入，平均每個文章對應4-6個二創或自研融合模塊，有效果即可寫論文或三創。本文項目使用ultralytics框架，兼容YOLOv3\5\6\8\9\10\world與RT-DETR。??
????????已進群小伙伴可以先用下文二創及自研模塊在自己的數據集上測試，有效果再進行模塊結構分析或繼續改進。
二、二創融合模塊
2.1 相關二創模塊及所需參數
????????該模塊可如圖加入到C2f、C3、C3K2與自研等模塊中，代碼見群文件，所需參數如下。
C2f-變式模塊 所需參數：(c1, c2, n, shortcut, g, e)
C3-變式模塊 所需參數：(c1, c2, n, shortcut, g, e)
C3k2-變式模塊 所需參數：(c1, c2, n, c3k, e, g, shortcut)
RCRep2A及變式模塊 所需參數：(c1, c2,?shortcut, e)
?
2.2更改yaml文件 (以自研模型為例)
yam文件解讀：YOLO系列 “.yaml“文件解讀_yolo yaml文件-CSDN博客
? ? ? ?打開更改ultralytics/cfg/models/11路徑下的YOLOv11.yaml文件，替換原有模塊。
# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLO11 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
# ??Powered by https://blog.csdn.net/StopAndGoyyy, 技術指導QQ:2668825911??# Parameters
nc: 80 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n'# [depth, width, max_channels]n: [0.50, 0.25, 1024] # summary: 377 layers, 2,249,525 parameters, 2,249,509 gradients, 8.7 GFLOPs/258 layers, 2,219,405 parameters, 0 gradients, 8.5 GFLOPss: [0.50, 0.50, 1024] # summary: 377 layers, 8,082,389 parameters, 8,082,373 gradients, 29.8 GFLOPs/258 layers, 7,972,885 parameters, 0 gradients, 29.2 GFLOPsm: [0.50, 1.00, 512] # summary: 377 layers, 20,370,221 parameters, 20,370,205 gradients, 103.0 GFLOPs/258 layers, 20,153,773 parameters, 0 gradients, 101.2 GFLOPsl: [1.00, 1.00, 512] # summary: 521 layers, 23,648,717 parameters, 23,648,701 gradients, 124.5 GFLOPs/330 layers, 23,226,989 parameters, 0 gradients, 121.2 GFLOPsx: [1.00, 1.50, 512] # summary: 521 layers, 53,125,237 parameters, 53,125,221 gradients, 278.9 GFLOPs/330 layers, 52,191,589 parameters, 0 gradients, 272.1 GFLOPs# n: [0.33, 0.25, 1024]
# s: [0.50, 0.50, 1024]
# m: [0.67, 0.75, 768]
# l: [1.00, 1.00, 512]
# x: [1.00, 1.25, 512]
# YOLO11n backbone
backbone:# [from, repeats, module, args]- [-1, 1, Conv, [64, 3, 2]] # 0-P1/2- [-1, 1, Conv, [128, 3, 2]] # 1-P2/4- [-1, 2, RCRep2A_FSAS, [128, False, 0.25]]- [-1, 1, Conv, [256, 3, 2]] # 3-P3/8- [-1, 4, RCRep2A, [256, False, 0.25]]- [-1, 1, Conv, [512, 3, 2]] # 5-P4/16- [-1, 4, RCRep2A, [512, True]]- [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32- [-1, 2, RCRep2A, [1024, True]]- [-1, 1, SPPF_WD, [1024, 7]] # 9# YOLO11n head
head:- [[3, 5, 7], 1, align_3In, [256, 1]] # 10- [[4, 6, 9], 1, align_3In, [256, 1]] # 11- [[-1, -2], 1, Concat, [1]] #12 cat- [-1, 1, RepVGGBlocks, []] #13- [-1, 1, nn.Upsample, [None, 2, "nearest"]] #14- [[-1, 4], 1, Concat, [1]] #15 cat- [-1, 1, Conv, [256, 3]] # 16- [13, 1, Conv, [512, 3]] #17- [13, 1, Conv, [1024, 3, 2]] #18- [[16, 17, 18], 1, Detect, [nc]] # Detect(P3, P4, P5)# ??Powered by https://blog.csdn.net/StopAndGoyyy, 技術指導QQ:2668825911??
?2.3 修改train.py文件
? ? ? ?創建Train腳本用于訓練。
from ultralytics.models import YOLO
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'if __name__ == '__main__':model = YOLO(model='ultralytics/cfg/models/xy_YOLO/xy_yolov1-ConvNeXt.yaml')# model = YOLO(model='ultralytics/cfg/models/11/yolo11l.yaml')model.train(data='./datasets/data.yaml', epochs=1, batch=1, device='0', imgsz=320, workers=1, cache=False,amp=True, mosaic=False, project='run/train', name='exp',)
?
?????????在train.py腳本中填入修改好的yaml路徑，運行即可訓練，數據集創建教程見下方鏈接。
YOLOv11入門到入土使用教程(含結構圖)_yolov11使用教程-CSDN博客
?
